机器学习（3） 监督学习

机器学习中的监督学习模型的任务重点在于，根据已有经验知识对未知样本的目标/标记进行预测。

主要涉及方法：

分类学习与回归预测

基本框架和流程

    1. 首先准备训练数据，可以使文本、图像、音频等

    2. 抽取所需要的特征，形成特征向量（Feature Vectors）

    3. 把这些特征向量连同对应的标记？目标（Labels） 一并送入学习算法（Machine Learning Algorithm）训练出一个预测模型（Predictive Model）

    4. 采用同样的特征抽取方法作用与新测试数据，得到用于测试的向量；

    5. 使用预测模型对这些待测试向量进行预测并得到结果（Expected Label）。

分类学习：

    分类学习是最常见的监督学习问题，并且其中的经典模型也是最为广泛的被应用。

其中最基础的便是二分类（Binary Classification）问题,即判断是与非，从两个类别中选择一个作为预测结果；还有多类分类（Multiclass Classification）的问题，即 在多余两分类之中选择一个，还有多标签分类（Multi-label Classification）问题。

    线性分类器：

    模型介绍： 一种假设特征与分类结果存在线性关系的模型。 通过累加计算每个维度的特征与各自权重的乘积来帮助类别决策